Słownik metodologiczny · Statystyka opisowa

Wykres P-P (procent–procent) – porównanie rozkładu próby z rozkładem teoretycznym

Wykres P-P zestawia odsetek próby do danej obserwacji z prawdopodobieństwem, jakie daje rozkład teoretyczny, np. normalny. Wyjaśniamy, jak go czytać, dlaczego dobrze widać na nim odchylenia w środku rozkładu, a słabo w ogonach, i czym różni się od wykresu Q-Q.

Strona główna / Słownik / Wykres P-P
W skrócie: Wykres P-P (procent–procent) porównuje dystrybuantę próby z dystrybuantą rozkładu teoretycznego: każdy punkt to para „prawdopodobieństwo z modelu – odsetek próby”. Gdy rozkład pasuje, punkty leżą na przekątnej. Wykres jest czuły na odchylenia w środku rozkładu, a ogony ściska w rogach.

Co to jest wykres P-P?

Wykres P-P (ang. probability-probability plot, procent–procent) sprawdza, czy próba pasuje do rozkładu teoretycznego, najczęściej normalnego. Dla każdej obserwacji zestawia dwie liczby z przedziału od 0 do 1: odsetek próby, który ma wynik nie większy od niej (to dystrybuanta empiryczna), oraz prawdopodobieństwo takiego wyniku według modelu (wartość dystrybuanty teoretycznej). Wilk i Gnanadesikan (1968) opisali wykresy P-P razem z wykresami Q-Q jako dwie rodziny graficznych porównań rozkładów opartych na dystrybuancie empirycznej.

Gdy rozkład próby zgadza się z modelem, punkty leżą na przekątnej od (0, 0) do (1, 1). W SPSS ten wykres pojawia się jako „Normal P-P Plot” reszt w regresji – przykład jest we wpisie korelacja i regresja w SPSS.

Jak czytać wykres

  • Punkty na przekątnej – rozkład zgodny z modelem.
  • Łagodne S przecinające przekątną w środku – rozkład bardziej wysmukły lub bardziej spłaszczony niż normalny (inna kurtoza).
  • Odchylenia niesymetryczne względem środka wykresu – skośność rozkładu.
  • Rogi wykresu – tu lądują ogony rozkładu. Prawdopodobieństwa skrajnych wyników są bliskie 0 lub 1, więc nawet bardzo odległa obserwacja wygląda na zgodną z modelem.

Największa pionowa odległość punktów od przekątnej to w przybliżeniu statystyka D testu Kołmogorowa–Smirnowa. Michael (1983) pokazał, jak na tej podstawie dorysować do wykresów P-P i Q-Q obszar akceptacji, który ogranicza subiektywność odczytu.

Przykład

Wygenerowano 200 wyników testu z rozkładu t o 3 stopniach swobody, przesuniętego do średniej 50 (dane symulowane). Taki rozkład ma środek podobny do normalnego, ale znacznie cięższe ogony. Rozkład normalny dopasowano średnią i odchyleniem z próby (M = 50.71, SD = 9.02). Test Shapiro–Wilka wyraźnie odrzuca normalność, W = 0.848, p < .001. Parametry symulacji dobrano ręcznie (3 stopnie swobody, by ogony były wyraźnie cięższe); ziarna (735) nie zmieniano.

Na rysunku

Dwa panele dla tych samych 200 wyników. A: wykres Q-Q, w którym środkowe punkty leżą blisko linii, a 10 skrajnych obserwacji oznaczonych trójkątami odbiega od niej o kilkanaście do 35 punktów. B: wykres P-P, w którym środkowe punkty tworzą wyraźne S wokół przekątnej z odchyleniem do 0.10, a te same skrajne obserwacje leżą w rogach na przekątnej
Rysunek 1. Ta sama próba z rozkładu o ciężkich ogonach na wykresie Q-Q (A) i P-P (B). Trójkąty – 10 najbardziej skrajnych obserwacji, koła – pozostałe; linia przerywana – idealna zgodność z rozkładem normalnym. Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(735)).

Co widać. Oba panele przedstawiają te same obserwacje, a mówią co innego. Na wykresie Q-Q (A) środek próby trzyma się linii (najwyżej 4.38 punktu od niej), a dziesięć skrajnych wyników odbiega aż o 35.44 punktu – widać ciężkie ogony. Na wykresie P-P (B) jest odwrotnie: środkowe punkty układają się w S i oddalają od przekątnej maksymalnie o 0.102 przy około 20% próby, a skrajne wyniki leżą w rogach niemal na przekątnej (odchylenie najwyżej 0.010). To nie dwa różne rozkłady, tylko dwa sposoby rysowania: P-P powiększa środek, Q-Q – ogony.

Na co uważać. Prosty wniosek „punkty blisko przekątnej, więc rozkład jest normalny” bywa na wykresie P-P mylący właśnie w ogonach. Jeśli liczą się skrajne wyniki, np. przy ocenie wartości odstających, sięgnij po wykres Q-Q. Wykres nie mówi też, czy odchylenie ma praktyczne znaczenie dla planowanej analizy.

Podpis do pracy:

Rysunek 1. Zgodność rozkładu wyników z rozkładem normalnym. Uwaga. Panel A – wykres kwantyl–kwantyl, panel B – wykres procent–procent; rozkład normalny o średniej i odchyleniu standardowym z próby (M = 50.71, SD = 9.02). Linia przerywana oznacza idealną zgodność, trójkąty – 10 najbardziej skrajnych obserwacji. N = 200.

Jak opisać w pracy

Zgodność rozkładu wyników z rozkładem normalnym oceniono na wykresach P-P i Q-Q (Rysunek 1) oraz testem Shapiro–Wilka. Na wykresie P-P punkty w środkowej części rozkładu tworzyły wyraźne S względem przekątnej (maksymalne odchylenie 0.10), a wykres Q-Q ujawnił silnie odstające obserwacje w obu ogonach. Rozkład był bardziej wysmukły i miał cięższe ogony niż rozkład normalny, W = 0.848, p < .001.

Na co uważać

  • Nie mylić z Q-Q. Na osiach P-P są prawdopodobieństwa (0–1), na osiach Q-Q – wartości w jednostkach zmiennej. W podpisie napisz, który wykres pokazujesz.
  • Parametry z próby. Gdy średnią i odchylenie szacujesz z tych samych danych, punkty leżą bliżej przekątnej, niż gdyby parametry były znane – zwykłe wartości krytyczne K–S nie pasują.
  • Wielkość próby. Przy kilkunastu obserwacjach punkty błądzą wokół przekątnej nawet przy normalnym rozkładzie; przy kilku tysiącach widać każde drobne odchylenie. Jak łączyć wykresy z testami, opisuje wpis jak sprawdzić normalność rozkładu.
Przykład reprodukowalny

Wykres P-P w R

Kod symuluje 200 wyników z rozkładu o ciężkich ogonach, liczy współrzędne wykresów P-P i Q-Q, największe odchylenia od przekątnej w środku i w ogonach, statystykę D oraz test Shapiro–Wilka, a na końcu buduje rysunek 1 w ggplot2. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.

P-P i Q-Q tej samej próby

Dane wejściowe: 200 wyników z rozkładu t (3 stopnie swobody) przesuniętego do średniej 50 i pomnożonego przez 5 (dane symulowane, set.seed(735)).

Co odczytać: maksymalne odchylenie P-P (0.102, przy około 20% próby; w ogonach 0.010), maksymalne odchylenie Q-Q (35.44 punktu; w środku 4.38), D = 0.105 i wynik testu Shapiro–Wilka.

R
# Wykres P-P i Q-Q tej samej próby z ciężkimi ogonami (rozkład t o 3 stopniach swobody, dane symulowane)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(srodek = "grey45", ogon = "#D55E00")         # Okabe–Ito; skrajne 5% ma też inny kształt punktu
ksz <- c(srodek = 16, ogon = 17)
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "bottom")
set.seed(735)
n <- 200
x <- 50 + 5 * rt(n, df = 3)                          # wynik testu: środek jak w normalnym, ogony cięższe
m <- mean(x); s <- sd(x)                              # rozkład normalny dopasowany do próby
xs <- sort(x)
p_emp <- (seq_len(n) - 0.5) / n                       # odsetek próby do danej obserwacji
p_teor <- pnorm(xs, m, s)                             # P-P: dystrybuanta normalna w punkcie obserwacji
q_teor <- qnorm(p_emp, m, s)                          # Q-Q: kwantyl normalny dla odsetka próby
ogon <- p_emp < 0.025 | p_emp > 0.975                 # 10 najbardziej skrajnych obserwacji
round(c(M = m, SD = s), 2)
round(c(max_odchylenie_PP = max(abs(p_teor - p_emp)), przy_odsetku = p_emp[which.max(abs(p_teor - p_emp))],
        max_PP_w_ogonach = max(abs(p_teor - p_emp)[ogon])), 3)
round(c(max_odchylenie_QQ = max(abs(xs - q_teor)), max_QQ_w_srodku = max(abs(xs - q_teor)[!ogon])), 2)
ks.test(x, "pnorm", m, s)$statistic                  # D Kołmogorowa–Smirnowa (parametry z próby)
shapiro.test(x)

# Rysunek 1: Q-Q (A) i P-P (B) tych samych 200 obserwacji
d <- data.frame(xs, q_teor, p_emp, p_teor, czesc = ifelse(ogon, "ogon", "srodek"))
etyk <- c(srodek = "środkowe 95% próby", ogon = "skrajne 5% (po 5 z każdej strony)")
pA <- ggplot(d, aes(q_teor, xs, colour = czesc, shape = czesc)) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", colour = "grey30") +
  geom_point(size = 2, alpha = 0.8) +
  labs(title = "A. Wykres Q-Q", x = "Kwantyl rozkładu normalnego (punkty)", y = "Wynik w próbie (punkty)")
pB <- ggplot(d, aes(p_teor, p_emp, colour = czesc, shape = czesc)) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", colour = "grey30") +
  geom_point(size = 2, alpha = 0.8) + coord_equal() +
  labs(title = "B. Wykres P-P", x = "Prawdopodobieństwo z rozkładu normalnego", y = "Odsetek próby")
p1 <- (pA + pB) + plot_layout(guides = "collect") &
  scale_colour_manual(values = kol, labels = etyk, name = NULL) &
  scale_shape_manual(values = ksz, labels = etyk, name = NULL) & motyw
p1
Wynik w R
    M    SD 
50.71  9.02 
max_odchylenie_PP      przy_odsetku  max_PP_w_ogonach 
            0.102             0.198             0.010 
max_odchylenie_QQ   max_QQ_w_srodku 
            35.44              4.38 
        D 
0.1045511 

	Shapiro-Wilk normality test

data:  x
W = 0.84787, p-value = 3.393e-13

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pnorm(), qnorm(), ks.test() i shapiro.test() z pakietu stats; rysunek 1 – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kiedy wybrać wykres P-P zamiast wykresu Q-Q?

Gdy interesuje cię zgodność w środkowej części rozkładu, np. jego spłaszczenie lub wysmukłość. Do oceny ogonów i obserwacji skrajnych lepszy jest wykres Q-Q, bo P-P ściska je w rogach przy 0 i 1.

Dlaczego na wykresie P-P słabo widać obserwacje odstające?

Oś P-P to prawdopodobieństwa od 0 do 1. Wynik bardzo odległy od średniej i wynik tylko trochę skrajny dostają prawdopodobieństwa bliskie 0 lub 1, więc oba trafiają w ten sam róg wykresu, blisko przekątnej.

Jak narysować wykres P-P w R?

Posortuj dane, policz odsetki (i − 0.5)/n i wartości pnorm() w punktach obserwacji z parametrami z próby, a potem narysuj jedne względem drugich z przekątną, np. plot(pnorm(sort(x), mean(x), sd(x)), ppoints(length(x))); abline(0, 1).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Michael, J. R. (1983). The stabilized probability plot. Biometrika, 70(1), 11–17. https://doi.org/10.1093/biomet/70.1.11
  2. Wilk, M. B., & Gnanadesikan, R. (1968). Probability plotting methods for the analysis of data. Biometrika, 55(1), 1–17. https://doi.org/10.1093/biomet/55.1.1

Cytowania BibTeX

@article{michael1983stabilized, author={Michael, John R.}, title={{The stabilized probability plot}}, journal={Biometrika}, year={1983}, volume={70}, number={1}, pages={11--17}, doi={10.1093/biomet/70.1.11}}
@article{wilk1968probability, author={Wilk, M. B. and Gnanadesikan, R.}, title={{Probability plotting methods for the analysis of data}}, journal={Biometrika}, year={1968}, volume={55}, number={1}, pages={1--17}, doi={10.1093/biomet/55.1.1}}
R